Approximate Feedback Linearization for a Nonlinear Hyperbolic PDE Class -- Part II: Neural Operator

Resumo Técnico: Linearização de Feedback Aproximada para uma Classe de EDPs Hiperbólicas Não Lineares — Parte II: Operador Neural

Definição do Problema
Este artigo aborda a intratabilidade computacional da implementação da linearização de feedback exata para uma classe de equações diferenciais parciais (EDPs) hiperbólicas não lineares. Enquanto a Parte I deste trabalho estabeleceu que um truncamento de ordem finita do linearizador de feedback da série de Volterra fornece estabilidade em malha fechada, o controlador resultante permanece computacionalmente proibitivo para aplicação em tempo real. Especificamente, avaliar o controlador truncado requer:

1. Resolver uma "torre" de $N-1$ EDPs de núcleos lineares específicos da planta em simplices crescentes para gerar os núcleos de feedback.
2. Realizar integrações aninhadas $N$-vezes sobre esses núcleos pré-computados para cada atualização de controle.

Estas operações são "específicas da planta", o que significa que qualquer mudança na não linearidade $F$ da planta exige a resolução das EDPs de núcleo do zero. Este artigo propõe substituir o controlador truncado explícito e computacionalmente pesado por um substituto de operador neural aprendido para eliminar a resolução de núcleos online e a integração aninhada, preservando as garantias de estabilidade.

Metodologia
A metodologia central envolve aprender um mapeamento dos coeficientes de não linearidade da planta e do estado do sistema diretamente para a entrada de controle de fronteira, contornando a etapa intermediária de resolução das EDP de núcleo.

1. Continuidade Lipschitz Conjunta: Os autores estabelecem primeiro que o operador de feedback de Volterra truncado, denotado por $U_N(f_N, u)$, é conjuntamente Lipschitz contínuo em relação tanto aos coeficientes da planta $f_N$ (os núcleos de Volterra da não linearidade) quanto ao estado $u$. Este é um passo teórico crítico, pois garante que o operador é contínuo em conjuntos compactos, satisfazendo os pré-requisitos para aproximação universal.
2. Substituto de Operador Neural: Aproveitando a propriedade Lipschitz, o artigo emprega um operador neural (especificamente uma arquitetura MIONet) para aproximar $U_N$. A rede é treinada em um conjunto de dados composto por pares de coeficientes de planta e estados mapeados para os valores de controle truncados exatos. Uma vez treinado, o operador neural $\hat{U}_N$ atua como um substituto direto, recebendo $(f_N, u)$ como entrada e fornecendo o controle $U(t)$ em uma única passagem direta (forward pass).
3. Análise de Malha Fechada: A estabilidade do sistema em malha fechada sob este feedback substituto é analisada. Mostra-se que o resíduo de fronteira que impulsiona a equação de transporte alvo consiste em dois componentes: o erro de truncamento (da Parte I) e o erro de aproximação do operador neural ($\epsilon$).

Principais Contribuições
O artigo apresenta três contribuições teóricas e práticas primordiais:

• Resultado de Continuidade Lipschitz: Prova que o operador de feedback de Volterra truncado é localmente Lipschitz em conjuntos limitados de coeficientes de planta e estados. Este resultado serve como a fundação matemática para as garantias de aproximação subsequentes.
• Existência de Substituto Neural: Estabelece a existência de um operador neural de aproximação $\hat{U}_N$ capaz de alcançar qualquer precisão de norma sup prescrita em conjuntos limitados de plantas e estados, subsumindo efetivamente a solução da EDP de núcleo e a integração aninhada em um único mapeamento aprendido.
• Teorema de Estabilidade Prática: Prova que o sistema em malha fechada sob o feedback do operador neural retém as quatro propriedades de estabilidade estabelecidas na Parte I (invariância para frente, estabilidade prática, atratividade de tempo finito e estimativas assintóticas de classe-$KL$). Crucialmente, o envelope assintótico é mostrado como sendo da forma $\|u(\cdot, t)\|_\infty \leq \beta(\|u_0\|_\infty, t) + \gamma(\epsilon)$, onde a bola de resíduo escala linearmente com a precisão de treinamento $\epsilon$.

Resultos
O artigo valida o framework através de experimentos numéricos na ordem de truncamento $N=3$:

• Estabilização: O controlador aprendido estabiliza com sucesso plantas hiperbólicas não lineares que são instáveis em malha aberta.
• Robustez: O substituto, treinado em uma distribuição específica de parâmetros de planta, estabiliza plantas não vistas (diferentes parâmetros de não linearidade) e várias condições iniciais sem necessidade de retreinamento.
• Truncamento vs. Aproximação: Os resultados demonstram que, embora o operador neural introduza um erro de aproximação $\epsilon$ (resultando em um piso de resíduo de $\sim 10^{-3}$), ele mantém a estabilidade mesmo em regimes onde truncamentos de ordem inferior (ex: $N=2$) falham devido a grandes coeficientes de não linearidade.
• Eficiência Computacional: O resultado prático mais significativo é a aceleração computacional. A implementação clássica do controlador $N=3$ requer a resolução de EDPs de núcleo e integrações aninhadas, levando aproximadamente 3,95 segundos por avaliação. O operador neural treinado avalia a mesma lei de controle em aproximadamente 1 milissegundo, proporcionando um fator de aceleração de aproximadamente 4.000$\times$.

Significância e Alegações
O artigo posiciona-se como a realização prática do framework teórico introduzido na Parte I. Enquanto a Parte I tornou o controlador "implementável em princípio" ao truncar a série infinita, este trabalho o torna "implementável na prática, uma vez por todas para cada classe de planta".

Os autores alegam que, ao aprender o operador diretamente, o método elimina a necessidade de resolução de núcleo online, que é o principal gargalo para o controle em tempo real de EDPs não lineares. A significância reside na prova rigorosa de que esta aproximação não sacrifica a estabilidade; o sistema permanece praticamente estável com um erro de resíduo que é explicitamente limitado e linearmente proporcional à precisão de treinamento da rede neural. À medida que a precisão de treinamento se aproxima de zero, o comportamento do controlador de Volterra truncado exato (e, ultimamente, do linearizador de Volterra infinito exato) é recuperado.